DIRECCION DE INVESTIGACIONES Y POSTGRADO \ UNIVERSIDAD NACIONAL ABIERTA \ MAESTRIA EN ADMINISTRACION DE NEGOCIOS CURSO: METODOS CUANTITATIVOS EN LA GESTION DE LA EMPRESA INVESTIGACION DE OPERACIONES CAPITULO 13 Taha, H. A. (2004). Investigacién de Operaciones. 7ma. Edicién. Editorial Perentice Hall Compilacién con Fines Académicos y se respetan los Derechos de autor.CAPITULO 13 Modelos de prondstico En Ia toma de decisiones se elaboran planes para el futuro. Entonces, los datos que describen Ia situacién de la decisién deben representar lo que sucederd en el futuro, Por ejemplo, en el control de inventarids, as decisiones se basan en la naturaleza de Ia demanda del articulo con- ‘olado durante determinado horizonte de planeacién. También, en Ia planeacién financiera, se necesita pronosticar la pauta del flujo de efectivo a través del tiempo. En este capftulo se presentan tres técnices para pronosticar cambios futuros en el valor de determinada variable en funcién del tiempo. Son promedio mévil, suavizacién exponencial y regresin. También se presentan eflculos de esas téenicas, basados en hoja de cfeuo Excel.* | 13.1. TECNICA DEL PROMEDIO MOVIL En esta ténica se suponé que la serie de tempo! es estable en el sentido que su valor y,parn ¢l petiodo t sigue un proceso constante que se describe con: en donde ‘b = Parémetro constante desconocida, estimado a partir de datos historicos 8; = Componente aleatorio (ruido) para el periodo ¢, con media cero y varianza constante ‘La técnica supone que no estin corelacionados los datos pera los distntos periods. La técnica del promedio mévil supone que las n observaciones més recientes tienen igual importancia para estimar el pardmetro b, Asi, en determinado petiodo 1, silos datos para I los n periodos mis recienles S00, on ttances a valot estimada-parael-pexiodo 1+ Tse calcula como sigue: | Yew + Yoma + oe + Jia ” oN del RT: Lo mencionado en este capitulo estéésponibe en Excel en espaol. Hay que incl instalor Excel. | | |492 Capitulo 13 Modelos de pronéstico No hay una regla exacta para seleccionar n, ta base del promedio mévil. Silas variacio- Ties de fa variable permanesen razonablemente constantes al paso del tiempo, se recomienda tuna 7 grande, En caso contrari, si los datos tienen paulas cambiantes, se aconseja un valor ppequefio de n, Bn la préctica, ese valor va de 2. 10. Fempio 13.17 La demanda (en cantidad de unidades) de un artfeuto en inventario durante los tltimos 24 me- ses se resume en Ia tabla 13.1. Use la técnica del promedio mévil para pronosticar la demanda del mes préximo (t = 25). TABLA 13.1 Mest Demonda.y, Mey Demand, 1 46 3 2 56 6 2 3 54 a5 6a 4 3 16 5 37 0 70 6 36 18 66 7 o o 3 8 @ 0 55 5 0 a 2 10 56 2 cs u a 2 7 2 36 4 n Para seleccionat un valor “razonable” para, la cantidad de periodos de eéleulo del prome- dio mévil, se examina primero la naturaleza de jos datos. Los datos de la tabla 13.1 muestcan que Ia demanda y tiene una tendencia creciente tespecto al tiempo. Hablando con generalidad, esa tendencia significa que el promedio mévil no seria un buen predictor durante un horizon tede planeaci6n prolongado. En particular,el-nso de una base grande 1 pararel promedio mi vil no se aconseja en este caso, porque suprimird la tendencin de los datos. Eso quiere decir «que es preferible usar agut una n pequeta, porque permite captarar Ia tendencia de los datos. Sise usa n-= 3, la demarida estimada para el mes préximo (t =25)serd igual al prome- dio de las demandas para los meses 22, 23 y 24, esto es yas DEM os nites La demanda estimada para t = 25 se usa ahora para estimar Ia demancla para t = 26, co- smo sigue: — . Yn = DERE widen Cuando se eonozea la demanda rea! para ¢ = 25, se debe usar para volver a estimar la deman- a para # = 26, como promedio de los periodos 23, 24 y 25,FIGURA 13.1 Apliacin del método de suai 2acién exponencil de Excel a Blemplo 132-1 Los edlculos de promedio mévil son parte del paquete estaistico de Excel, Para usar ese médulo, primero se escriben los datos en celdas contiguas de una colunina. A continia- cién, en la-barra.de meni-de-Excel se selecciona tools =+ Data analysis -> voving Avérage (Hetramientas/Andlisis de datos/Media mévil) para tener on cuadro de didlogo que permite especificar las celdas donde se guarcan los datos, asi como las celdas donde se ese tener Ios resultados. La figura 13.1 muestra la aplicacién det promedio mévil de Excel al ejemplo 13.1-1. La pate superior es ei cundro de dilogo. El diagrama se puede pedir como parte de ls resultados. CONJUNTO DE PROBLEMAS 13.14, 4, Brel ejemplo 13.1-1estime la demanca para = 25, basada en n = 12, ,Suprime la tendencia de los datos un valor grande de n?494 Capitulo 13. Modelos de pronéstico | 2, Lacantided de unidades de acondicionattiento de aire vendidas durante los iltimas 24 meses [spate en ntcla13.2-Amlicelos aes desde et pnt deste naples dates — adel promedio movil TABLA 13.2 Mes Ventar Mer Ventas 1 3 8 4 is ' ie ; 4. 8 6 5 8 1 6 I 5 2 iw % : te 10s | 8 8 m8 | 5 0 2 wo 0 0 2 35 no Bo ete ae 3. Latabla 13.3 muestra Ie canta de individuos que Hegan a un centro turistico en avtomévily e en avi6n, durante un periodo de 10 aes. Anclice los datos desde el punto de vista de la apical lidad dela téniea del promedio mévil, i TABLA 13.3 i Aulo 102 S122 3B ASS TSS IHN L790 «8S ‘Avién 50052402 TIS 700M 93S 8D | | ‘tio 38) e102 1983 Tote | aoe ———E—Seen | | 4. Latabla 13.4 contiene las vents, en millones de 8, de una tienda departamental, Analice los da- tos desde et pntade vista de te-apicabilidad det téeniardetpromedicr vil TABLA 134 ‘Ano 1960 1981 ‘1982 +1983 «+1984 ~—«1985~—«1985~—«987 «1988 —«*1989 Venus 2102323248 HESCTACURS CNG men de los datos de inscripeidn durante un periodo de G alos. Los datos de cada ao se clas cea en semestes:otofo (1), primavera (2) y verano (3). Se desea usar esos datos para estimar a inscripein en el afo préximo. Analice los datas desc el punto de vista de Ia aplicabilidad de In técnica del promedio m6vil32 TABLA 135 ‘Sia de curso Semestre 12 3 4 °~°5 1989 1 288 136g 20 UT 1049 168s Py el ea 1990 1 27 sts 8 2 29 6S el se i ie 1991 ae ee 2 2 M4 19 Bw 38 85 1982 eee i Oe isi 2 31 uss eB 3 1 9 4 6 1983 eo lee ie 30 2 Mm mw 6 0 om 30s 6 7 oo 1994 fe eee oer 30m 3 0 SUAVIZACION EXPONENCIAL Enll técnica de suavizacién exponential se supone que el proceso es constante o que cambia on lentitud al paso del tiempo; es la misma hipétesis que la que se usa en el método del pro- tngvil. Sin embargo, el objeto es.compensar un inconveniente del método del prome~ dio mévil. En forma espectfica, la suavizacién exponencial asigna un peso mayor a la ob- servacién mds reciente, Esto contrasta con el método del promedio movil, en el que a todas las observaciones se asignan pesos iguales. Se define a (0 < a < 1) como constante de suavizacién y se supone que los puntos de la serie del tiempo para los tltimos # periods son y, Jy J. Bntonces yl estimado para el periodo 1 +1, se calcula como sigue: Yin = ayy + aL ~ ayy tall ~ oP yun boo Como-os coefcientesrespectivos de yey) = somprogresivamente menores el MUCH” rGcediento asigna ms pes0 a Tos putos de los datos mis recientes. ‘La férmula para calcular y,,; se puede simplificar como sigue: yr + (L— alfaryy-1 + a(l ~ cly,-2 + afl — a) yg tore ys + (1 = ay Ye496 Capitulo 13 Modelos de pronéstico De esta forma se puede cafcilar ya partir de y, En forma recursiva, La ecuacién recursiva se niin saitindose restimacisiry; exr= Ty tomando ct estimado para = 2 como igual al — «ato real para ¢= I; eto-es, yj = yy. En realidad, cualquier procedimiento razonable se pue- de usar para iniciat los céfeuies. Por ejemplo, hay quienes sugieren estimar a ys como el pro- ‘medio de una eantided “razonable” de periods al iniciar la serie de tiempo, La seleccién de Ia constante de suavizacién a es bisica para estimar los prondsticas del futuro, Un valor mayor de « implica que las observaciones mas recientes tienen mayor peso En la prctica, el valor de a vade 0.01 a 0.30. Fjemplo 7 Aplicar a téenien de suavizacin exponencial alos datos del ejemplo 3,1-1. Usar a = 0.1. Los céleulos se hacen saltdndose y} y suponiendo que y3 = y; = 46 unidades, Para ilus- trar os céleulosrecursvos se tienen B= ayn + (L- alys = 04 X 56 + 09 x 46 = 47 Yim ayy (1 — aly} = 04 x 54 +09 x 47 = 477 La fia 13.2 mes el cuir dda yn restos dl médlo de uv | exponencial de Excel, apicado alos datos del ejemplo 132-1. El médulo se accede con os FIGURA 13.2 Apliccin dl metodo de ‘suavizacign exponecil de eel al eemple 132-1j __mismos pasos que para el mul de promedio mévil(Seecién-13-1)-Observe que Excel usr i 133 factor de amortiguamiento = 1 ~ e),el complementode la consranre de suovizacin (= 0), De acuerdo con los eouls, la esimaetn para = 25 ea siguiente Vis = ayy + (I~ ayy = 0.1(72) + 0.57.63) = 59.07 unidades Esta estimacién es muy distinta de la que se obtuvo con promedio mévil (= 68 unida- des). Un valor mayor de ot producira una estimacién més cercana para t = 25. ciate nfs ceveaa para = 25, CONJUNTO DE PROBLEMAS 13,24 41. Aplique suavizacién exponencial con a = 0.2 los datos siguientes: 8) Del problema 2, eonjunto de problemas 13.1, by Del problema 3, conjunto de problemas £3.18 ‘© De! problema 4, conjunta de problemas 13.18, @) Del problema 5, conjunto de problemas 13.1 REGRESION El andlisis de regresi6n determina la relacién entre una variable dependiente (por ejemplo, Ia demanda de un articulo) y una variable independiente (por ejemplo, el iempo). La frmula ‘general de regresi6n entre la variable independiente x y la variable dependiente y es, Ye byt bie t byt t+ byw te Las constantés dy, b, ... b, Son pardmetros desconocidos que se deben determinar a partir de los datos disponibles, El error aleatorio e tiene media cero y desvincién esténdat constante, La forma més sencilla de modelo de regresi6n supone que la variable dependiente varia cen forma lineal respecto a la variable independiente, esto es, que ey Las constants ay b se calculanaplicando el eriterio de los minimos cuadrados, que mini- riza la suma del cuadrado de las diferencias entre los valores observados y los estimados Dado el i-ésimo punto de dato, x), 1,2, Ry la Sunn e 108 euros de Tas desvia. cones entre los valores observados y estimades se define como S= Bor ‘Los valores de ay b se calculan resolviendo las siguientes condiciones necesarias para min smizar$ _ - es = bx? 3s 230, -a-bx)=0 as $5 23 0,- 0 - ky = 0498 Capitulo 13. Modelos de pronéstico Con algo de manipulacién algebraica se obtiene la siguiente soluci6n: Svan — 058 oe a=5- bi en donde “3 Estas ecuaciones indican que primero se necesita calclarb, a partir det cual se puede calcula a Las estimaciones de a y 6 son vélidas para cualquier distribuci6n de probabifidades de +, Sin embargo, si tiene distribuci6n normal con una desviaciGn esténdar constante, se pe- de establecer un inlervalo de confianza para el valor medio del estimador en x = 2° (es dect, P= a+ bx), quees (@ + be) + ed ara los valores futuros (pronosticados) de y, la variable dependiente, interesa determi- nar su intervalo de predicci6n (y no el intervalo de confianza de su valor medio). Como era de esperarse, el intervalo de prediccién de un valor futuro es ms ancho que el intervalo de confianza del valor medio. En realidad, ta f6rmula del intervalo de predicci6n es igual que la ~~ deintervalo de confianza, excepto que el término + bajo la segunda rafe cuadrada se sustituye con®, : Se puede probar io bien que se ajustn el estimador lineal y" = a + ba sus datos cal lando el coeficiente de correlactén, r, con la f6rmula endonde-1 << 1. Sir = +I, existe un ajuste lineal perfecto entre xy y. Bn general, mientras més se ace que el valor de irl a 1, el ajuste lineal es mejor. Sir = 0, puede ser 0 puede no ser que xy y sean independientes, ya que dos variables dependientes pueden dar como resultado r = 0. Fjemplo 13.3-1 Aplicar el modelo de regresin lineal alos datos de ejemplo 13.1-1, que se repten en la tabla 13.6, para mayor comodidad,TABLA 136 Mes. _Demanda,y, Mes; Demande, 1 46 1B 4 2 55 4 2 3 ot 15 64 4 8 16 eo 5 37 1 6 36 8 6 7 3 19 37 8 a 20 55 9 50 a 5 10 56 2 @ n a 2 » 2 36 24 2 De acverdo con los datos de la tabla 13.6, 2 24 2 Ser = 17,842, Dox, = 300, x7 En consecuencia, 4900, 25 p= 5725 17,842 ~ 24 x $125 x 125 4900 ~ 24 x 125 57.25 — 0.58 x 12.5 Entonces, Ia demands estimada es y= 50 + 058 Porejemplo, con x = 25, y* = 50 + 0.58(25) = 64.5 unidades, EL efleulo del coeficiene de comrelacién.es como sigue: 17,842 - 24 x 57.25 x 12.5 SV (t800 — 24X12 59(80,254 — 24 S725), Bl valor relativamente bajo de r indica que y" = 50 + 0.58x podria no ser un buen ajusteIi- neal para los datos. Usualmente, en un ajuste razonablenmente bueno se requiere que 0.75 = Ins. ‘Suponga que deseamos calcular el intervalo a un 95% de confianza para un estimador li- ________neall dado. Primero necesitamos calcular Ja suma de los cuadrados.de las desviaciones. com —respevtorielotinerde-ajuste-etable134resumecsteinforeci6n Enlas tablas en el apéndice C, se ve que fggns 2 = 2.074. Entonces, el intervalo de con- fianza que se busca se calcula como sigue: 1205.64 [1 GP = 1257) (50 + 58): 2074) SS + a a 0493500 Capitulo 13. Modelos de pronéstico TALA37 roy vv 146 50582098 25 SiG 343 3M 3m st GE oe iste | [o606) See oot) = car 6 56 Sus 635 7 St 505 srs 8 8 5464 SAT ee sae a0 10 3 5a 5638.98 2 $6 5695 92 BOM sh 4 @ 38 a5na5 15 64 5870 2809 1% @ S28 ose 7 7 5986 18 6 0a 3091 Ds am tee 0 8 8H 56 2 2 eis me 2 @ arm “ose Bo © GM 436 won an 652 Bier ~ nF = 1208.64 7 Que se puede simplificar a @- 1 | (50 + 0.58%) + 15asy0082 + = | i Pare i =Alculo del intervalo de predicci6n, supéngase.que interesa establecer ese intervato para el estimado de fa demanda para el proximo mes (x" = 25). En ese caso, se debe reemplezar el cosficiente 0.042 por 1.042, y el eéleulo del intervalo de prediccign es (64.5 = 16.66), 0 sea (47.84, 81.16). Entonces se dice que hay 95% de posibilidades de que la deman- ‘da en x = 25 sea entre 47.84 unidades y 81.16 unidades, Los ettouos assis con olan de eresiénsuele ser tediosoe Por fvtana m0 se neoaia haces a no, Bes ene oto) ene we fora soda de astomaaan. La igun13.muesre ae puede cere hoje de elle pare hacer andi deegrenion EYEE gene Una covet Tos reslados ue inelye daa invomeGnaes tia. De evo, en el "Regresi6n sun mul debece awivesa (Anliisde de) 3 | mend T0018 (Herramientas). : iet co i BEBE EE aA REE: NeRRaeneseoew CONJUNTO DE PROBLEMAS 13.34 1. Aplique a egzesin lineal alos siguientes conjuntas de datas a 8) Los del problema 2;conjunto de problemas 13.la. ) Los det problema 3, conjnto de problemas 13.18 ©) Los del problema 4, conjunto de problemas 13.18, 4) Los del problema 5, conjunto de problemas 13.La 2. Ena egresin lineal, demueste que la sum de las diferencis entre los valores pronostcados y fos estimados, para ‘odos los datos siempre es gust 2.cor0,et0-¢5-que. So-s=0 REFERENCIAS SELECCIONADAS Brown, B. L. y R.T. O'Connell, Forecasting and Time Series: An Applied Approach, Duxbury Press, Belmont, CA, 1993, - Brown, RG, Smmothing, Forecasting and Prediction of Diserete Tie Series, Prentice Hall, Upper FIGURA 133, Aslicacidn de regresion Excel al ejemplo 132.3 ate River, WF, 1972 Montgomery, D. E. Peck, Introduction to Linear Regression Analysis, Willis, .B., A Guide to Forecasting or Planners andl Managers, Prentice Hall, Upper Saddle River, NJ, 1987 y, Nueva York, 1991| | 502 Capitulo 13 Modelos de pronéstico PROBLEMA INTEGRAL 13.1 Un argumento ya publicado dice que el ineremento reciente de Ia ealificacion promedio de la prueba de apitud SAT (Scholastic Aptitude Test), para alumnos de secundaria en Estados Unidos, se alribuye arazones demogrificas mas que e una mejor‘a de fos métodos de ensefanza. En for. ‘ma especie, el argumento indica que la disminucign de Ia eantidad de hij por familia ha cea- ‘do ambientes en los que los niflos interactéan con mis frecuencia con fos adultos (es decir, con «us pares), lo cual aumenta su destrean intelectual. Al tevés, ls hijos de grandes familias no es ‘a “privilegidos” intelectualmente a causa dela infiuencia inmadura de sus hermanos. {Cl es Ia opiniGn de usted acerea de desarollar una ecuacién de regresi6n predictiva para Jas calficaciones SAT, basada en este argumento?